Neighbourhood Correlates of Child Injury: A Case Sudy of Toronto, Canada
Notice bibliographique
Résumé
This study identifies the extent to which neighbourhood socioeconomic trends are related to intentional and unintentional child injuries in Toronto, Ontario. Children living in lower socioeconomic status (SES) neighbourhoods have often been found to face a higher injury death and morbidity rate than more well‐off children. A likely explanation is an increase in the unequal exposure to injury-promoting environments on the basis of the income polarization (a declining middle income group). However, the strength of the inverse relationship between SES and injury is related to a number of factors, including the SES indicator chosen by the researcher. Hence, a goal of the study is to determine whether neighbourhood socioeconomic trends toward income polarization have predictive power in explaining variation in injury rates in young children aged 0-6, over and above more typical measures of SES and neighbourhood disadvantage. \n\nCensus data were used to determine socioeconomic trends. Neighbourhoods (census tracts) were divided into three distinct categories based on neighbourhood change in average individual income: neighbourhoods that have been improving, declining, and those displaying mixed trends. This analysis of neighbourhoods was merged with geo-coded hospital-based emergency department data to calculate rates of overall injuries, falls, burns and poisoning. The predictive power of neighbourhood socioeconomic trends on injury was compared to more typical neighbourhood disadvantage measures such as income (high, medium, low), neighbourhood employment rates, education levels, and housing quality from the 2006 census.\n\nSocioeconomic trends contributed significantly to injury outcomes, but the contribution of other neighbourhood disadvantage indicators was higher. Housing in need of repair and individuals with no university degree in a neighbourhood were positively correlated with three of four outcomes. A high immigrant population in a neighbourhood was negatively correlated with three of four outcomes. Neighbourhood socioeconomic trends had slightly more predictive power than the more typical measure of SES (high, medium or low income). Researchers should carefully consider their socioeconomic status measures when predicting injury outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».